應(yīng)用聲信號(hào)特征識(shí)別車輛車型及車速范圍*

趙佳美 戶文成 蔣從雙 曾 宇 姚 琨

(北京市勞動(dòng)保護(hù)科學(xué)研究所 北京 100054)

0 引言

車輛識(shí)別技術(shù)是現(xiàn)代智能交通系統(tǒng)研究中的關(guān)鍵技術(shù)之一[1]。在交通系統(tǒng)的運(yùn)行狀況中，主要依據(jù)的交通參數(shù)有交通流量、交通流密度、車輛行駛速度、行程時(shí)間等[2]，車輛車型以及速度的識(shí)別技術(shù)可以輔助交通管理部門實(shí)時(shí)掌握道路交通信息，通過實(shí)時(shí)交通狀況進(jìn)行決策，避免交通擁堵等狀況的發(fā)生。長期以來，我國是以道路設(shè)計(jì)速度作為確定限速值的依據(jù)來對(duì)車輛的運(yùn)行進(jìn)行限速的，在設(shè)置限速時(shí)沒有考慮到大小車型、氣候變化等，這種方法缺乏實(shí)時(shí)性和動(dòng)態(tài)性，車速安全的實(shí)時(shí)跟蹤和信息管理技術(shù)的落后增加了道路交通的安全隱患。

聲信號(hào)檢測識(shí)別技術(shù)可以通過提取聲信號(hào)中具有一定物理含義的信號(hào)特征，再通過聲信號(hào)特征對(duì)車輛進(jìn)行分類識(shí)別。該技術(shù)具有設(shè)備簡單且易于布置，檢測不受黑夜、隧道視覺因素影響等特點(diǎn)，對(duì)車輛識(shí)別的效果有很大幫助。因此，國內(nèi)外學(xué)者對(duì)此展開大量研究，利用車輛通過時(shí)聲信號(hào)的檢測識(shí)別技術(shù)也迅速發(fā)展。Sunu 等通過譜嵌入的方法將提取的特征進(jìn)行降維，并用K 聚類和K-最近鄰方法作為分類器對(duì)卡車和吉普車進(jìn)行分類識(shí)別[3]。Kandpal等[4]將車輛聲信號(hào)的快速傅里葉變換(Fast Fourier transform，F(xiàn)FT)和時(shí)域波形相結(jié)合，利用神經(jīng)網(wǎng)絡(luò)作為分類器，并且對(duì)車輛聲信號(hào)的識(shí)別結(jié)果進(jìn)行了融合。陸偉[5]采用模糊C均值聚類算法對(duì)轎車、卡車、中巴和農(nóng)用車進(jìn)行車型的分類識(shí)別。陳麗等利用神經(jīng)網(wǎng)絡(luò)對(duì)小型轎車、大型客車和重型貨車等車型進(jìn)行特征提取[6-8]。

現(xiàn)有的車輛識(shí)別技術(shù)通常只是對(duì)車輛的車型進(jìn)行識(shí)別，對(duì)于車輛其他信息(如車速、車流量等)的識(shí)別研究較少，使得車輛的識(shí)別仍達(dá)不到理想的效果，影響工作人員的執(zhí)行效率。此外，在實(shí)際應(yīng)用中還應(yīng)考慮車輛識(shí)別系統(tǒng)軟硬件平臺(tái)的傳輸效率及其運(yùn)行速度，以避免在系統(tǒng)硬件設(shè)備開發(fā)中計(jì)算時(shí)間過長、計(jì)算成本過高。因此，本文采集車輛通過時(shí)的聲信號(hào)，應(yīng)用BP 神經(jīng)網(wǎng)絡(luò)(Back propagation)以及結(jié)合主成分分析(Principal component analysis，PCA)和BP神經(jīng)網(wǎng)絡(luò)算法模型(PCA-BP)對(duì)車輛的車型、車速進(jìn)行識(shí)別，為車輛識(shí)別技術(shù)提供思路和方法，為系統(tǒng)的實(shí)現(xiàn)提供便利。

1 車輛聲信號(hào)分析

1.1 車輛聲信號(hào)預(yù)處理

現(xiàn)場所采集的車輛聲信號(hào)中，混有的其他環(huán)境噪聲會(huì)使得采集到的聲信號(hào)數(shù)據(jù)量非常大?？梢圆捎梅謳?、加窗和數(shù)據(jù)歸一化的方法對(duì)采集到的聲信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理，以利于在對(duì)聲信號(hào)提取分析時(shí)獲取有利信息。本研究在分幀時(shí)選用enframe函數(shù)，窗函數(shù)選擇Hanning 窗，數(shù)據(jù)歸一化方法采用最大最小法。

1.2 特征提取分析

分類識(shí)別前需構(gòu)建合適的特征提取算法，使得在特征維數(shù)較低的情況下盡可能保留原始聲信號(hào)的重要特征。本文選用可以表達(dá)聲信號(hào)特點(diǎn)的時(shí)域特征、頻域特征和倒譜特征參數(shù)。

聲信號(hào)的時(shí)域特征是以時(shí)間為自變量描述信號(hào)隨著時(shí)間變化的情況，具有直觀和準(zhǔn)確的優(yōu)點(diǎn)。本文提取的時(shí)域特征是聲信號(hào)的短時(shí)能量和過零率。當(dāng)有車輛通過時(shí)產(chǎn)生的聲音與純背景時(shí)的聲音之間的能量差異明顯，聲信號(hào)的短時(shí)能量可以描述能量特征的變化情況。短時(shí)平均過零率是指聲信號(hào)每一幀內(nèi)的波形穿過零值(橫軸)的次數(shù)，在一定程度上可以體現(xiàn)聲信號(hào)頻率的信息[9]。在提取各類特征時(shí)對(duì)聲信號(hào)分幀的幀長及幀移參數(shù)設(shè)置為相同參量，分幀后加Hanning窗進(jìn)行處理，由此得到的短時(shí)能量和短時(shí)平均過零率即可作為表達(dá)聲信號(hào)的特征向量的一部分。

頻域分析包含更多的聲學(xué)特征，可以方便地觀察時(shí)程曲線中的頻率成分含量，對(duì)外界環(huán)境變化的適應(yīng)性和抗干擾性也較強(qiáng)，因此可以作為聲信號(hào)特征表達(dá)的一部分。本文采用小型車和公交車聲音信號(hào)的1/3 倍頻程作為特征參數(shù)，采用與時(shí)域特征提取相同的參數(shù)及方法進(jìn)行預(yù)處理。

聲音識(shí)別中常用梅爾頻率倒譜系數(shù)(Mel frequency cepstrum coefficient，MFCC)作為聲信號(hào)的提取特征，現(xiàn)已被廣泛應(yīng)用。當(dāng)波頻超過1000 Hz時(shí)為對(duì)數(shù)尺度，而1000 Hz 以下為線性尺度，其取值大體與實(shí)際頻率的對(duì)數(shù)相對(duì)應(yīng)，具體可表示為

利用梅爾濾波器組將采集時(shí)車輛通過聲信號(hào)的功率譜劃分到多個(gè)頻帶，然后對(duì)每個(gè)頻帶的能量取對(duì)數(shù)，最后進(jìn)行離散余弦變換即可得到MFCC[10]。這里取其前12 階系數(shù)MFCC1～MFCC12進(jìn)行分析。在進(jìn)行MFCC 計(jì)算時(shí)，聲信號(hào)分幀及窗函數(shù)須保持與提取其他特征參數(shù)時(shí)相一致。

2 分類識(shí)別模型構(gòu)建

2.1 實(shí)驗(yàn)數(shù)據(jù)采集

在蘇州市虎丘區(qū)貢山路和渚鎮(zhèn)路、杭州市江干區(qū)五一路和西寧市城北區(qū)美麗水街進(jìn)行了數(shù)據(jù)采集，測試道路均為瀝青混凝土路面，雙向兩車道路段。各路段兩側(cè)有較矮的樹木，周圍無高大建筑物、無其他明顯噪聲源影響，沒有其他大型反射物或吸聲材料。測試路段符合背景噪聲較小、路況良好等車輛通過聲信號(hào)的測試要求。

車輛聲音信號(hào)采集系統(tǒng)包括傳聲器、采集器和電腦。采集器為INV3062A 多通道網(wǎng)絡(luò)分布式采集分析儀。測試時(shí)聲信號(hào)的采樣頻率為51.2 kHz。為了確定樣本車輛通過時(shí)的速度范圍，在測試路段現(xiàn)場架置高速攝像機(jī)進(jìn)行與聲信號(hào)采集同步拍攝。速度測試區(qū)間寬度3 m，車輛通過時(shí)間較短，故認(rèn)為車輛在測試區(qū)間段勻速通過。噪聲測試點(diǎn)距離道路中心線7.5 m。測試時(shí)，按照標(biāo)準(zhǔn)《汽車加速行駛車外噪聲限值及測量方法》進(jìn)行測試[11]。

現(xiàn)場采集數(shù)據(jù)為小型車及公交車通過標(biāo)記路段時(shí)的聲信號(hào)以及速度范圍。聲音信號(hào)樣本包含81個(gè)，其中小型車60個(gè)，公交車21個(gè)。

2.2 應(yīng)用PCA-BP 方法車型與車速識(shí)別模型構(gòu)建

BP 神經(jīng)網(wǎng)絡(luò)算法是人工神經(jīng)網(wǎng)絡(luò)中的一種，屬于監(jiān)督式訓(xùn)練。該算法因?yàn)樵诶碚撋峡梢员平我夂瘮?shù)而具有非常強(qiáng)大的非線性映射能力。在本文的研究中，將聲信號(hào)的特征向量作為網(wǎng)絡(luò)的輸入層，通過建立從特征向量到車型與車速類別空間的非線性映射，實(shí)現(xiàn)車輛類型與速度的分類識(shí)別。

識(shí)別前，首先要對(duì)BP 神經(jīng)網(wǎng)絡(luò)的模型進(jìn)行訓(xùn)練。經(jīng)過訓(xùn)練調(diào)整后的網(wǎng)絡(luò)有了一定的聯(lián)想記憶能力和預(yù)測分類的能力。選取若干個(gè)樣本作為訓(xùn)練集，然后進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練。訓(xùn)練過程如圖1所示。

圖1 BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程Fig.1 BP neural network training process

BP 神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù)主要由輸入向量的維數(shù)決定。單隱層的BP 神經(jīng)網(wǎng)絡(luò)可以逼近一個(gè)任意的連續(xù)非線性函數(shù)，因此，本文采用單隱層的BP 神經(jīng)網(wǎng)絡(luò)。隱含層節(jié)點(diǎn)數(shù)也會(huì)影響網(wǎng)絡(luò)的預(yù)測精度，其確定方法主要依靠經(jīng)驗(yàn)法或試湊法[12]。隱含層的激勵(lì)函數(shù)選取Sigmoid 函數(shù)：f(x)= 1/(1+e-x)。為了解決神經(jīng)網(wǎng)絡(luò)預(yù)測誤差在修正過程中沒有考慮到網(wǎng)絡(luò)模型自身學(xué)習(xí)經(jīng)驗(yàn)的積累且學(xué)習(xí)收斂速度相對(duì)較為緩慢的問題，本文采用附加動(dòng)量法進(jìn)行計(jì)算。為了在網(wǎng)絡(luò)學(xué)習(xí)過程中使網(wǎng)絡(luò)逐漸趨于穩(wěn)定，本文采用變學(xué)習(xí)率方法進(jìn)行計(jì)算。

主成分分析(PCA)方法力求在數(shù)據(jù)信息損失最小的原則下，將多維數(shù)據(jù)變量指標(biāo)轉(zhuǎn)換成相對(duì)較少維的綜合指標(biāo)，轉(zhuǎn)化后的綜合指標(biāo)成為“主成分”。通過特征提取后，獲得的特征向量間可能會(huì)含有冗余數(shù)據(jù)而導(dǎo)致特征匹配時(shí)計(jì)算量過大且復(fù)雜，計(jì)算時(shí)間較長。本文采用PCA 方法對(duì)特征向量進(jìn)行降維處理，將獲取到的新的主成分變量作為BP 神經(jīng)網(wǎng)絡(luò)的輸入端參數(shù)輸入，將此方法簡稱為PCA-BP方法。

主成分分析基本步驟主要包括以下幾點(diǎn)：

(1)通過對(duì)相關(guān)程度的檢驗(yàn)確定數(shù)據(jù)是否可用主成分分析。

(2)求主成分。一般數(shù)據(jù)變量之間有不同的單位或者差異很大時(shí)，選擇用基于相關(guān)系數(shù)矩陣的主成分分析方法，否則應(yīng)考慮選擇基于協(xié)方差陣的主成分分析[13]。

(3)計(jì)算出相關(guān)系數(shù)矩陣(或者協(xié)方差陣)的特征根以及與特征根對(duì)應(yīng)的特征向量。

(4)根據(jù)主成分的累計(jì)貢獻(xiàn)率、特征根等確定主成分的個(gè)數(shù)。其中，累計(jì)貢獻(xiàn)率是指將前幾個(gè)主成分的方差求和后占總方差的比例，實(shí)際應(yīng)用中可以根據(jù)具體問題選取主成分個(gè)數(shù)。

通過前期研究計(jì)算得到每個(gè)車輛聲信號(hào)的短時(shí)平均能量特征向量1 維、短時(shí)平均過零率1 維、1/3倍頻程30 維以及梅爾倒譜特征12維，即共獲取每輛車的聲信號(hào)特征向量維數(shù)為44 維。將實(shí)驗(yàn)隨機(jī)選取測試數(shù)據(jù)小型車18 組和公交車19 組進(jìn)行分幀后獲得小型車及公交車特征數(shù)據(jù)總量為131320。將實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行主成分分析，結(jié)果表1所示。

表1 主成分分析結(jié)果Table 1 Results of principal component analysis

所有的主成分按照特征根大小排序，限于篇幅這里給出前20 個(gè)。從表1中可以看到，特征根大于1 的主成分有8 個(gè)，即可提取8 個(gè)主成分。第一主成分特征根為21.479，方差貢獻(xiàn)率為46.693%；直到第8 個(gè)主成分累計(jì)方差貢獻(xiàn)率達(dá)到89.165%，即8 個(gè)主成分共解釋了總變量的89.165%。因此，提取8個(gè)主成比較可取。

本次研究的44 維特征數(shù)據(jù)經(jīng)過主成分分析降維后，可以提取8 個(gè)主成分對(duì)原數(shù)據(jù)變量進(jìn)行解釋。主成分分析后得到的新變量既可以保證數(shù)據(jù)的可靠性，同時(shí)在接下來的計(jì)算中可以有效減少數(shù)據(jù)的計(jì)算量。

在PCA-BP 算法模型中，BP 神經(jīng)網(wǎng)絡(luò)的輸入端應(yīng)為PCA 方法降維后新的主成分變量，本研究中的44 維特征向量經(jīng)過PCA方法降維后可以獲得8 維新的“特征向量”，即BP 神經(jīng)網(wǎng)絡(luò)輸入端為8維特征向量；其隱含層節(jié)點(diǎn)數(shù)可根據(jù)經(jīng)驗(yàn)法或試湊法確定。由于所測試道路中蘇州市虎丘區(qū)貢山路、杭州市江干區(qū)五一路和西寧市城北區(qū)美麗水街為城市主干路，渚鎮(zhèn)路為二級(jí)公路，根據(jù)《城市道路工程設(shè)計(jì)規(guī)范CJJ 37-2012》[14]和《公路工程技術(shù)標(biāo)準(zhǔn)JTGB01-2014》[15]中規(guī)定，主干路的設(shè)計(jì)速度應(yīng)為40～60 km/h，二級(jí)公路的設(shè)計(jì)速度應(yīng)為60～80 km/h。故本文將以60 km/h作為小型車速度劃分界限進(jìn)行分類，即低于60 km/h 的行車速度設(shè)定為中低速范圍，而高于60 km/h 的行車速度設(shè)定為高速范圍；鑒于公交車車速一般介于40～70 km/h 之間，故設(shè)置公交車速度劃分界限為55 km/h，即輸出層為2。算法模型如圖2所示。

圖2 基于PCA-BP 車型與車速分類算法模型圖Fig.2 Diagram of vehicle type and speed recognition algorithm based on BP neural network

3 實(shí)驗(yàn)結(jié)果對(duì)比與分析

將除訓(xùn)練樣本外的測試樣本特征處理后分別輸入到BP 神經(jīng)網(wǎng)絡(luò)模型及PCA-BP 訓(xùn)練模型中，得到識(shí)別效果及計(jì)算用時(shí)情況如表2和表3所示。

表2 測試車輛的車型識(shí)別結(jié)果Table 2 Vehicle type recognition results

表3 測試車輛的車速識(shí)別結(jié)果Table 3 Vehicle speed recognition results

通過表2和表3可以看到，相比于BP 神經(jīng)網(wǎng)絡(luò)算法計(jì)算時(shí)長，應(yīng)用PCA-BP 方法計(jì)算識(shí)別車型及車速的時(shí)長節(jié)省了50%～70%左右，識(shí)別速度明顯提升。采取PCA-BP 方法后，車型識(shí)別正確率均在80%以上。序號(hào)為32 和78 的兩輛車車速識(shí)別正確率較低，經(jīng)過對(duì)這兩組聲信號(hào)與其他測試信號(hào)對(duì)比分析，結(jié)果表明這兩輛車在采集聲信號(hào)過程中可能存在換擋動(dòng)作。由于車輛行駛車速相對(duì)較低，車輛行駛過程中產(chǎn)生的胎噪和風(fēng)噪相對(duì)較小，發(fā)動(dòng)機(jī)及排氣噪聲貢獻(xiàn)量相對(duì)較大，因而發(fā)動(dòng)機(jī)噪聲對(duì)所采集的聲信號(hào)樣本影響較大。換擋動(dòng)作會(huì)導(dǎo)致發(fā)動(dòng)機(jī)及進(jìn)排氣噪聲的突變，但該動(dòng)作變化時(shí)間很短，換擋結(jié)束后聲信號(hào)會(huì)迅速恢復(fù)，因此在初選聲信號(hào)樣本時(shí)難以排除異常。為確定該模型能夠較好識(shí)別的車輛行駛速度范圍，新增加22輛樣本外測試車輛通過聲信號(hào)，各車經(jīng)過測試地點(diǎn)車速及其識(shí)別結(jié)果如表4所示。

通過表4可以看出，應(yīng)用PCA-BP 方法時(shí)的車速識(shí)別取得了較好的結(jié)果。該訓(xùn)練模型在速度劃分界限60±3 km/h范圍外，速度識(shí)別率可達(dá)到70%以上；在速度劃分界限60±5 km/h 范圍外，速度識(shí)別率可達(dá)到80%以上。經(jīng)分析，H2和H66兩輛車識(shí)別效果不佳與上述分析原因相同，即采集信號(hào)過程中存在換擋動(dòng)作。故該模型可以在一定速度范圍內(nèi)可以取得良好的速度檢驗(yàn)識(shí)別結(jié)果，且不適用于換擋動(dòng)作下基于聲信號(hào)的車速范圍識(shí)別。

表4 新增檢驗(yàn)車輛的車速識(shí)別結(jié)果Table 4 Speed recognition of increased test vehicles

4 結(jié)論

本文對(duì)中小型車和公交車的車型與車速范圍進(jìn)行識(shí)別，整體效果較好，識(shí)別過程中可以節(jié)省計(jì)算時(shí)長的50%～70%左右，有效提升了識(shí)別計(jì)算速度。并采用擴(kuò)大測試樣本的速度范圍及增加測試數(shù)量的方法，探討了小型車車速范圍識(shí)別效果，為后續(xù)車速識(shí)別研究打下基礎(chǔ)。基于聲信號(hào)的PCA-BP方法的車型與車速識(shí)別可以作為一種補(bǔ)充技術(shù)手段，為交通識(shí)別系統(tǒng)正常高效地運(yùn)行提供保障，為道路交通系統(tǒng)的提供重要信息，在智能交通系統(tǒng)方面應(yīng)用前景廣闊。